Πώς το κινητό σας παρακολουθεί κάθε στιγμή τις κινήσεις σας

Υπάρχει μια διάχυτη αίσθηση ότι τα κινητά μας «ακούνε» συνεχώς, εμφανίζοντας διαφημίσεις για πράγματα που μόλις συζητήσαμε. Η αλήθεια είναι ότι αυτή η ιδέα μοιάζει συναρπαστική, αλλά δεν ανταποκρίνεται στην πραγματικότητα. Τα smartphones δεν ενεργοποιούν μικρόφωνα για να συλλέξουν συνομιλίες και να στοχεύσουν διαφημίσεις. Η παρακολούθηση δεν βασίζεται σε υποκλοπές, αλλά σε ένα πολύ πιο συστηματικό και έξυπνο σύστημα ανάλυσης δεδομένων.

Η καρδιά αυτού του συστήματος είναι μια μορφή τεχνητής νοημοσύνης που ονομάζεται Graph Neural Network (GNN). Σε αντίθεση με τις παραδοσιακές μεθόδους που βλέπουν τα δεδομένα ως λίστες κειμένων, clicks ή τοποθεσιών, το GNN τα αντιμετωπίζει σαν ένα δίκτυο σχέσεων. Οι «κόμβοι» αυτού του δικτύου δεν είναι άνθρωποι, αλλά κομμάτια πληροφορίας, ενώ οι «ακμές» δείχνουν πώς αυτά συνδέονται μεταξύ τους.

Πώς λειτουργεί το GNN

Σκεφτείτε μια ομάδα ανθρώπων σε ένα δωμάτιο να συζητούν μεταξύ τους. Στην περίπτωση του GNN, οι συνομιλίες δεν αφορούν προσωπικά θέματα, αλλά τις σχέσεις ανάμεσα στα δεδομένα. Κάθε στοιχείο —μια λέξη σε μήνυμα, μια αναζήτηση, μια τοποθεσία ή μια συνήθεια χρήσης εφαρμογών— γίνεται κόμβος στο δίκτυο. Οι συνδέσεις δείχνουν πώς συσχετίζονται αυτά τα στοιχεία μεταξύ τους. Με άλλα λόγια, η τεχνητή νοημοσύνη δεν «διαβάζει» τι γράφετε ή πού πηγαίνετε· βλέπει μόνο τα μοτίβα που δημιουργούνται από τις ενέργειές σας.

Τι δεδομένα χρησιμοποιούνται

Για να προβλέψει προτιμήσεις, προτάσεις ή διαφημίσεις, το GNN βασίζεται σε τέσσερις κύριες κατηγορίες δεδομένων:

1. Κείμενα: Αναζητήσεις, σχόλια, περιγραφές στο YouTube ή αναρτήσεις σε εφαρμογές που επιτρέπουν την ανάλυση δεδομένων. Το GNN δεν εστιάζει στο περιεχόμενο της συνομιλίας αλλά στις σχέσεις των λέξεων μεταξύ τους. Για παράδειγμα, μια φράση όπως «θέλω να αγοράσω κουρτίνες» μετατρέπεται σε συνδέσεις λέξεων όπως κουρτίνες, σπίτι, αγορά, χωρίς να γνωρίζει ποιος το είπε ή σε ποιον.

2. Ιστορικό περιήγησης: Οι σελίδες που επισκεπτόμαστε και η σειρά με την οποία τις ανοίγουμε δημιουργούν μοτίβα που καταγράφονται ως διαδρομές μέσα στο γράφημα.

3. Τοποθεσία: Όταν είναι ενεργοποιημένο το GPS, το σύστημα μπορεί να δει πού βρισκόμαστε τις διάφορες ώρες και να συνδέσει αυτή την πληροφορία με άλλες συνήθειες. Για παράδειγμα, μια διαφήμιση καφετέριας κοντά στο γραφείο δεν σημαίνει ότι το κινητό μας άκουσε ότι βαρεθήκαμε· καταγράφει ότι εκεί συνήθως βρισκόμαστε στις 9:15 π.μ. και ανοίγουμε εφαρμογές κοινωνικής δικτύωσης.

4. Συνήθειες χρήσης: Πόσο συχνά ανοίγουμε εφαρμογές, πόσο χρόνο μένουμε και τι κάνουμε πριν ή μετά. Αυτά δημιουργούν ένα προσωπικό «ρυθμό» που το GNN χρησιμοποιεί για να κάνει προβλέψεις.

Το GNN δημιουργεί ένα embedding, δηλαδή ένα αριθμητικό αποτύπωμα του χρήστη, που δεν περιγράφει τι συγκεκριμένα ενδιαφέρει τον χρήστη αλλά ποιοι χρήστες με παρόμοια μοτίβα ενδιαφερόντων υπάρχουν. Έτσι, οι προβλέψεις βασίζονται σε σχέσεις και μοτίβα, όχι σε υποκλοπή προσωπικών συνομιλιών.

Πού χρησιμοποιείται όλο αυτό

Τα δίκτυα GNN χρησιμοποιούνται σε πλήθος εφαρμογών: από ειδησεογραφικά feeds και προτάσεις βίντεο στο YouTube, μέχρι Reels στο Instagram, προτάσεις εφαρμογών στο Play Store και εξατομικευμένες διαφημίσεις. Το σύστημα μαθαίνει συνεχώς και προσαρμόζει το περιεχόμενο ανάλογα με τις συνήθειες χρήσης. Αν ψάχνετε για ταξίδια τα Σαββατοκύριακα ή για delivery σε συγκεκριμένες περιοχές, οι προτάσεις αλλάζουν χωρίς να χρειάζεται το κινητό να ακούει ή να παρακολουθεί ενεργά τις συνομιλίες σας.

Πλεονεκτήματα και περιορισμοί

Η εξατομίκευση βοηθά να βρίσκουμε γρήγορα περιεχόμενο που μας ενδιαφέρει και να μην χανόμαστε σε χαοτικά feeds. Ταυτόχρονα, όμως, δημιουργεί «φούσκες» ενδιαφερόντων, περιορίζει την ποικιλία της πληροφορίας και μπορεί να ενισχύει εμμονές. Το σημαντικό είναι ότι η τεχνητή νοημοσύνη μπορεί να είναι αποτελεσματική χωρίς να κατασκοπεύει: αρκεί να καταγράφει τις σχέσεις που ήδη δημιουργούμε με τις κινήσεις και τις επιλογές μας.